Machine Learning Intensivo.

Fondamenta & primo modello che funziona

• Cos'è il Machine Learning: supervised vs unsupervised
• Workflow di un progetto ML: dati → preprocessing → modello → valutazione
• Python scientifico: NumPy, Pandas, Matplotlib/Seaborn
• Analisi esplorativa (EDA) su dataset reale
• Primo modello con Logistic Regression
• Train/test split e cross-validation (k-fold)
• Primo accenno a data leakage: l'errore più costoso in azienda

Preprocessing, classificazione, dati sbilanciati

• Preprocessing: missing data, encoding categorico, feature scaling
• Data leakage in pratica: perché lo scaler va fittato solo sul train
• Altri algoritmi di classificazione: KNN e Decision Trees
• Metriche: accuracy, precision, recall, F1, ROC/AUC
• Class imbalance: stratified sampling, class weights, SMOTE
• Quali metriche usare quando il dataset è sbilanciato (e perché l'accuracy mente)

Ensemble, tuning, feature engineering, interpretabilità

• Ensemble Learning: Random Forest, Gradient Boosting (XGBoost / LightGBM)
• Pipeline in scikit-learn: come strutturare un progetto serio
• Tuning iperparametri: Grid Search e Randomized Search
• Curve di apprendimento: diagnosi di underfitting / overfitting
• Feature engineering: feature da date, aggregate, interazioni, encoding ciclico
• Interpretabilità: feature importance, SHAP, partial dependence plots
• Aspetti operativi: serializzare un modello (joblib), random seed, riproducibilità

Regressione, clustering, primi cenni di reti neurali & progetto finale

• Regressione lineare: concetto, metriche (MSE, RMSE, R²), interpretazione coefficienti
• Clustering: K-Means, Elbow, Silhouette, cenno a DBSCAN
• Primi cenni di reti neurali: intuizione dietro un percettrone multistrato, primo esempio con scikit-learn (MLPClassifier), quando le reti neurali servono davvero e quando un ensemble batte un deep model
• Cenno alla messa in produzione: drift, monitoraggio, quando un modello va riaddestrato
• Progetto finale end-to-end (con review individuale): dataset reale, pipeline completa, confronto modelli, scelta motivata

Nota sul deep learning: in questo corso si introducono le reti neurali per dare al team la sensibilità di base. Per percorsi approfonditi su deep learning, computer vision o NLP, è disponibile il corso personalizzato.